Hasil Pencarian  ::  Simpan CSV :: Kembali

"Metode sequential kriging merupakan salah satu metode penaksiran pada data spasial, yang memodifikasi metode kriging yang sudah ada seperti simple kriging, ordinary kriging, dan universal kriging. Modifikasi dilakukan dengan menerapkan suatu sequential linear estimator. Metode ini menggunakan data spasial sama seperti metode kriging lainnya. Pada tugas akhir ini, metode kriging yang dimodifikasi adalah metode simple kriging. Sequential kriging dapat menyelesaikan kesukaran numerik yang berhubungan dengan interpolasi untuk ukuran data besar. Data dibagi dalam beberapa subset dengan tiap subset memungkinkan hanya memiliki satu data saja. Ketika tersedia suatu data tambahan, estimator sequential kriging memperbaiki estimasi sebelumnya dengan menggunakan bobot linier dari selisih antara data yang baru dan estimasi data tambahan dengan menggunakan estimator sebelumnya. Secara teori, dapat ditunjukkan bahwa estimator sequential kriging menghasilkan estimasi yang sama dengan simple kriging. Begitu juga variansi sequential kriging akan sama dengan variansi simple kriging."

"Penelitian telah dilakukan di Lapangan "SY", Pulau Sebuku, Kotabaru, Kalimantan Selatan. Tujuan dari penelitian ini mengidentifikasi karakteristik laterit berdasarkan hasil domaining geologi dan mengestimasi sumber daya endapan laterit pada daerah penelitian. Data yang digunakan merupakan basis data hasil pengeboran meliputi collar, survey, dan geoassay. Metode pengolahan dan analisis data meliputi analisis statistik univarian dan bivarian serta metode estimasi ordinary kriging. Unsur yang diestimasi meliputi Ni dan unsur lain Co, SiO₂, dan MgO dengan variogram model yang digunakan yaitu Ni sebagai variabel utama. Karakteristik berdasarkan ciri fisiknya domain limonit tersusun atas limonit kuning dan limonit merah sedangkan domain saprolit tersusun earthy saprolit dan rocky saprolit. Domain limonit cenderung mengalami pengayaan secara bertahap unsur Fe dari permukaan hingga zona transisi bersamaan dengan kenaikan unsur Ni, SiO₂, dan MgO secara gradual hingga domain saprolit. Domain bedrock cenderung kaya akan unsur SiO₂ dan MgO. Unsur Co terkonsentrasi di zona transisi antara domain limonit dan saprolit. Diketahui hasil estimasi sumber daya Ni domain limonit berada pada rentang 0-2 % sedangkan domain saprolit 0-2.5 %. Klasifikasi sumber daya berdasarkan parameter geostatistik slope of regression dengan cut off grade Ni 1 % menunjukan daerah penelitian tersusun atas kelas tertunjuk dan terukur. Domain limonit menghasilkan volume 15,938 m³ dan tonase 38,091 ton dengan kandungan rata-rata Ni 1.123 % serta Co 0.126 %, Fe 44.405 %, SiO₂ 8.357 %, dan MgO 4.243 % kelas tertunjuk dan volume 605,313 m³ dan tonase 1,446,697 ton dengan kandungan rata-rata Ni 1.175 % serta Co 0.118 %, Fe 44.629 %, SiO₂ 8.334 %, dan MgO 3.928 % kelas terukur. Domain saprolit menghasilkan volume 5,469 m³ dan tonase 10,938 ton dengan kandungan rata-rata Ni 1.199 % serta Co 0.035 %, Fe 14.195 %, SiO₂ 33.865 %, dan MgO 26.979 % kelas tertunjuk dan volume 389,141 m³ dan tonase 773,125 ton dengan kandungan rata-rata Ni 1.22 % serta Co 0.034 %, Fe 14.535 %, SiO₂ 33.912 %, dan MgO 26.119 % kelas terukur.

---

Research has been carried out in the "SY" field, Sebuku Island, Kotabaru, South Kalimantan. The purpose of this study is to identify the characteristics of laterite based on the results of geological domaining and estimating the resources of laterite deposits in the study area. The data used is the database of drilling results including collars, surveys and geoassay. Data processing and analysis methods include univariate and bivariate statistical analysis and ordinary kriging estimation methods. The estimated elements include Ni and other elements Co, SiO2, and MgO with the variogram model used is Ni as the main variable. Characteristics based on physical characteristics limonite domain is composed of yellow limonite and red limonite while the saprolite domain is composed of earthy saprolite and rocky saprolite. The limonite domain tends to gradually enrichment of the Fe element from the surface to the transition zone together with the gradual increase of the Ni, SiO2, and MgO elements to the saprolite domain. The bedrock domain is rich of SiO2 and MgO elements. The Co element is concentrated in the transition zone between the limonite and saprolite domains. The result of resource estimation of Ni for limonite domain in the range of 0-2 % while the saprolite domain is 0-2.5 %. Classification of resources based on the slope of regression geostatistical parameters with a cut-off grade of Ni 1 % showed the study area is composed of indicated and measured classes. The limonite domain produces volume 15,938 m³ and tonnage of 38,091 tons with an average content of Ni 1.123 % and Co 0.126 %, Fe 44.405 %, SiO₂ 8.357 %, and MgO 4.243 % for indicated class and volume of 605,313 m³ and tonnage of 1,446,697 tons with an average content Ni 1.175 % and Co 0.118 %, Fe 44.629 %, SiO₂ 8.334 %, and MgO 3.928 % measured class. The saprolite domain produces a volume of 5,469 m³ and tonnage of 10,938 tons with an average content of Ni 1.199 % and Co 0.035 %, Fe 14.195 %, SiO₂ 33.865 %, and MgO 26.979 % indicated class and volume 389,141 m³ and tonnage 773,125 tons with an average content Ni 1.22 % and Co 0.034%, Fe 14.535 %, SiO₂ 33.912 %, and MgO 26.119 % measured class."

"Teknologi microarray merupakan salah satu teknologi yang berkembang dalam bidang bioinformatika. Salah satu teknologi microarray dalam bidang kesehatan, yaitu untuk mendeteksi adanya gen pada DNA individu yang menghasilkan data ekspresi gen. Pada data ekspresi gen, sering kali ditemukan informasi yang hilang sehingga membuat terhambatnya analisis lebih lanjut pada data ekspresi gen. Pada penelitian ini, diusulkan metode imputasi missing values Sequential Biclustering berbasis Shifting-and-Scaling Similarity dan Mean Square Residue (SSSim-MSR). Penentuan anggota bicluster dengan kesamaan sifat co-expressed dan pendeteksian pola shifting-and-scaling dilakukan berdasarkan pada skor Mean Squared Residue (MSR) dan skor Shifting-and-Scaling Similarity (SSSim) antara masing-masing gen dengan gen yang mengandung missing values. Performa metode diukur dengan skor korelasi Pearson dan skor NRMSE, lalu dibandingkan dengan metode Chronological Biclustering berbasis PCor-MSRE. Berdasarkan pada skor korelasi Pearson, metode Sequential Biclustering dengan basis SSSim-MSR merupakan metode yang cukup baik dibandingkan metode Chronological Biclustering berbasis PCor-MSRE pada missing rate sebesar 20% dan 50% untuk setiap nilai k. Untuk setiap missing rate pada nilai k lainnya, skor korelasi Pearson yang dihasilkan belum tentu bernilai lebih besar untuk nilai k yang lebih besar. Hal ini dapat terjadi karena perseberan porporsi pola shifting-and-scaling dan yang tidak berpola shifting-and-scaling pada data yang digunakan cenderung sama, sehingga pada tahap pembentukan bicluster yang didasarkan pada keserupaan pola dan pendeteksian pola shifting-and-scaling dapat memengaruhi keserupaan pola yang dibentuk.

---

Microarray technology is one of the emerging technologies in the field of bioinformatics. One of the microarray technologies in the health sector is to detect the presence of genes in individual DNA that produce gene expression data. In gene expression data, missing information is often found, which hinders further analysis of gene expression data. In this study, a method of imputing missing values Sequential Biclustering based on Shifting-and-Scaling Similarity and Mean Square Residue (SSSim - MSR) is proposed. Determination of bicluster members with similar co-expressed characteristics and detection of shifting-and-scaling patterns is carried out based on the score. Mean Squared Residue (MSR) and Shifting-and-Scaling Similarity (SSSim) scores between each gene and genes containing missing values. The performance of the method was measured by the Pearson correlation score and the NRMSE score, then compared with the Chronological Biclustering method on the basis of PCor – MSRE. Based on the Pearson correlation score, the Sequential Biclustering method on the basis of SSSim – MSR is a fairly good method compared to the Chronological Biclustering method at a missing rate of 20% and 50% for each value of k. For each other missing rate for k values, the resulting Pearson correlation score is not necessarily greater for larger k values. This can happen because the proportions of shifting-and-scaling and non-shifting-and-scaling patterns in the data used tend to be the same, so that at the stage of bicluster formation based on pattern similarity and detection of shifting-and-scaling patterns can detect similarity of pattern."